Gemini 3.8 Flash TTS vs Qwen Audio 3.0 TTS

Gemini 3.8 Flash TTS vs Qwen Audio 3.0 TTS em resumo

Gemini 3.8 Flash TTS de Google e Qwen Audio 3.0 TTS de Alibaba Cloud pertencem à categoria Geração de Áudio e estão disponíveis pela API da EmpirioLabs.

Principais diferenças

• Gemini 3.8 Flash TTS é o lançamento mais recente (22 de set. de 2026); Qwen Audio 3.0 TTS foi lançado em 20 de jul. de 2026.
• Recursos indicados apenas para Gemini 3.8 Flash TTS: multi speaker, voice control, streaming.
• Recursos indicados apenas para Qwen Audio 3.0 TTS: expressive prosody, emotion control, dialect, low latency.

Gemini 3.8 Flash TTS vs Qwen Audio 3.0 TTS: especificações

Gemini 3.8 Flash TTS vs Qwen Audio 3.0 TTS: preços da API

Tarifas ao vivo do catálogo da EmpirioLabs para os dois modelos. Cada tabela de tarifas sempre corresponde ao que a API cobra.

Gemini 3.8 Flash TTS vs Qwen Audio 3.0 TTS: parâmetros da API

Parâmetros de requisição que cada modelo indica na EmpirioLabs, com os valores permitidos ou o intervalo quando houver. Um traço marca um parâmetro que o modelo não indica.

Gemini 3.8 Flash TTS vs Qwen Audio 3.0 TTS: limites e notas

Gemini 3.8 Flash TTS

Limites

• Texto: até 5.000 caracteres por pedido
• Faturamento de áudio: 32 tokens de saída por segundo de áudio gerado
• 130 idiomas. O idioma do texto é detectado automaticamente.

Vozes

• As 30 vozes da lista de voice falam todos os idiomas suportados.
• GET /v1/voices?model=gemini-3-8-flash-tts lista a biblioteca completa de mais de 2.000 vozes em 30 locais, com o idioma, sotaque, gênero, tom e uma descrição de cada um. Filtre com language, gender, pitch ou q. Qualquer id que ele retorne funciona como voice ou voice2; quando você também definir language, use o idioma próprio da voz.

Vozes personalizadas

• Defina voice para custom e passe duas gravações do mesmo falante adulto como URLs https: voice_audio_url, de 10 a 30 segundos de fala natural, e voice_consent_audio_url, o falante lendo "Eu sou o dono desta voz e consinto que o Google use essa voz para criar um modelo de voz sintética." A afirmação é aceita em 30 idiomas; consent_statements nesse parâmetro lista cada redação.
• Ambos devem ser gravações de uma pessoa real, em um cômodo silencioso no mesmo microfone. Áudio gerado por IA não é aceito. WAV, MP3, M4A, OGG, WEBM e FLAC são aceitos, com até 15 MB cada.
• A resposta inclui voice_id e voice_id_expires_at. Passe a voice_id como voice ou voice2 para reutilizar a voz por 7 dias sem novas gravações. Uma voice_id funciona apenas para a conta que a criou.
• Esse modelo não mantém nenhuma lista de vozes personalizadas, então mantenha o voice_id da resposta. Uma voz personalizada termina quando seu id expira, então não há nada para deletar.
• No Playground, defina Voz como Personalizado para usar uma voz criada na mesma aba novamente, ou copie seu id.

Direção de entrega

• Coloque a direção para toda a passagem em style_prompt em vez de no texto, por exemplo, "calorosa, sem pressa e reconfortante".
• Coloque tags vocais na linha onde o som deve acontecer. Use essas tags em inglês mesmo quando o texto estiver em outro idioma:

<argh> <breath> <heavy breath> <exhales> <cackle> <cheer> <chuckle> <chuckles> <cough> <cry> <gasp> <giggle> <groan> <growl> <grunt> <grr> <hiss> <laugh> <laughter> <moan> <pant> <pff> <phew> <scream> <shout> <shriek> <sigh> <sighs> <sneeze> <snicker> <snort> <sob> <throat-clearing> <tsk> <whimper> <whispers> <whispering> <yawn> <short pause> <long pause>

• Coloque uma palavra maiúscula para enfatizar. Envolva uma reação do ouvinte em tubos, por exemplo |mm-hmm|, para adicioná-la sem começar uma nova turnada.

Multi-alto-falante

• Até dois alto-falantes por pedido. Comece cada linha com um nome de alto-falante e dois pontos, por exemplo Orador1: e Orador2:. Os nomes devem corresponder a speaker1_name e speaker2_name.

Saída

• WAV, MP3, OGG (Opus), ALAW ou MULAW, entre 8.000 e 48.000 Hz.
• POST /v1/audio/speech:stream envia chunks PCM de 16 bits a 24.000 Hz enquanto o áudio é gerado, depois o arquivo completo no formato solicitado. speed está disponível apenas no POST /v1/audio/speech.

Qwen Audio 3.0 TTS

Níveis

• Além disso: a mais alta qualidade de áudio e expressividade, para criação de conteúdo, audiolivros, dublagem e dublagem de marcas
• Flash: ajustado para interação em tempo real com menor latência no primeiro pacote, para assistentes de voz e agentes ao vivo
• Troque com o parâmetro model_tier, ou envie qwen-audio-3.0-tts-plus ou qwen-audio-3.0-tts-flash como ID do modelo

Vozes

• Mais de 1.000 vozes base, todas disponíveis em ambos os níveis, então mudar de nível mantém sua voz selecionada
• Seis vozes do sistema principal são específicas para níveis: longanlingxin e longanlufeng no Plus, e longanhuan_v3.6, longjielidou_v3.6, loongeva_v3.6 loongjohn no Flash
• Navegue pelo catálogo completo com GET /v1/voices e passe qualquer voz por voice_id

Vozes personalizadas

• Defina voice para custom e passe voice_audio_url, uma URL https para 10 a 20 segundos de fala clara de um alto-falante.
• WAV, MP3, M4A, OGG, WEBM e FLAC são aceitos, até 15 MB. Grave em um ambiente silencioso, sem música ou outras vozes.
• A voz é feita para o model_tier selecionado. A resposta inclui voice_id e voice_id_expires_at: passar o voice_id como voice ou voice_id, com o mesmo model_tier, para reutilizar a voz por 7 dias. Apenas a conta que a criou pode usá-la.
• Cada conta pode conter 10 vozes personalizadas nesse modelo por vez.
• GET /v1/voices?model=qwen-audio-3-0-tts lista as vozes do modelo, incluindo suas vozes personalizadas com seus ids. Adicione type=custom para listar apenas as vozes personalizadas.
• DELETE /v1/voices/{voice_id}?model=qwen-audio-3-0-tts deleta uma voz personalizada, que libera seu lugar imediatamente.
• No Playground, defina Voz como Personalizado para usar uma voz salva novamente, copie o id dela ou delete-a.
• Criar, listar e excluir vozes personalizadas não cobra nada.

Limites de entrada

• Até 20.000 caracteres por solicitação
• instruction aceita até 128 caracteres
• Entrada SSML não é suportada. Use instruction para direção de entrega e tags inline como [excited] ou [whispers] dentro do texto

Faturamento

• Faturado por caractere do texto de entrada na taxa do nível selecionado

Como chamar Gemini 3.8 Flash TTS e Qwen Audio 3.0 TTS

Gemini 3.8 Flash TTS gera fala por POST /v1/audio/speech e retorna áudio reproduzível. Envie o texto a ser falado em input com o id de modelo gemini-3-8-flash-tts. Os dois modelos são chamados pelo mesmo endpoint. Defina model como gemini-3-8-flash-tts ou qwen-audio-3-0-tts. Obtenha uma chave de API no painel EmpirioLabs.

curl https://api.empiriolabs.ai/v1/audio/speech \
  -H "Authorization: Bearer $EMPIRIOLABS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemini-3-8-flash-tts",
    "input": "Welcome to EmpirioLabs. Your build just finished."
  }' \
  --output speech.mp3

Gemini 3.8 Flash TTS vs Qwen Audio 3.0 TTS: testes e guias

Testes de prompts e comparações que cobrem os dois modelos.

Guias Qwen Audio 3.1 TTS vs Qwen Audio 3.0 TTS vs Gemini 3.8 Flash TTS vs StepAudio 3 TTS: um script Demos ao Qwen Audio 3.1 TTS, Qwen Audio 3.0 TTS, Gemini 3.8 Flash TTS e StepAudio 3 TTS o mesmo roteiro e direção de...

Gemini 3.8 Flash TTS vs Qwen Audio 3.0 TTS: perguntas frequentes

Qual é a diferença entre Gemini 3.8 Flash TTS e Qwen Audio 3.0 TTS?

Gemini 3.8 Flash TTS é o lançamento mais recente (22 de set. de 2026); Qwen Audio 3.0 TTS foi lançado em 20 de jul. de 2026. Recursos indicados apenas para Gemini 3.8 Flash TTS: multi speaker, voice control, streaming. Recursos indicados apenas para Qwen Audio 3.0 TTS: expressive prosody, emotion control, dialect, low latency. As especificações, as tabelas de tarifas e os parâmetros desta página vêm do catálogo ao vivo da EmpirioLabs.

Qual é mais recente, Gemini 3.8 Flash TTS ou Qwen Audio 3.0 TTS?

Gemini 3.8 Flash TTS é o lançamento mais recente (22 de set. de 2026); Qwen Audio 3.0 TTS foi lançado em 20 de jul. de 2026.

Qual tem a tarifa mais baixa, Gemini 3.8 Flash TTS ou Qwen Audio 3.0 TTS?

Os dois modelos são tarifados em unidades ou níveis diferentes, então compare as tabelas de tarifas ao vivo desta página. Elas sempre correspondem ao que a API cobra.

Posso alternar entre Gemini 3.8 Flash TTS e Qwen Audio 3.0 TTS sem reconstruir minha integração?

Sim. Os dois modelos usam POST /v1/audio/speech com a mesma chave de API da EmpirioLabs, então a maioria das integrações alterna só mudando o valor model. Confira antes a tabela de parâmetros desta página se você depende de um parâmetro específico de um modelo.

Posso testar Gemini 3.8 Flash TTS e Qwen Audio 3.0 TTS no navegador antes de integrar?

Sim. Abra cada modelo no playground da EmpirioLabs e execute o mesmo prompt nos dois, com os parâmetros que a API expõe.